一、LangChain简介

创建于22年10月，核心理念就是为各种LLM实现通用的接口，把LLMs相关的组件"链接"在一起，简化LLMs应用的开发难度。方便开发者快速地开发复杂的LLMs应用。

LangChain 简化了 LLM 应用程序生命周期的每个阶段：

• 开发：使用 LangChain 的开源组件和第三方集成构建应用程序。使用 LangGraph 构建具有一流流式和人机交互支持的状态智能体。

• 生产化：使用 LangSmith 检查、监控和评估应用程序，方便持续优化和部署。

• 部署：使用 LangGraph平台 将应用程序转变为可用于生产的 API 和助手。

二、核心组件

①Prompt Templates：提示词模板

用户输入信息时，给模型添加提示模板，

可以是zero-shot：直接使用，构建一个PromptTemplate，不需要example。相当于字符串.format

也可以是few-shot：需要提供example，先构建PromptTemplate，再构建FewShotPromptTemplate，需要传入下面参数

examples：（列表+dict格式）

example_prompt = example_prompt

prefix：前缀，eg："给出每个单词的反义词"

sufix：后缀eg："单词: {input}\\n反义词:"

让模型更好理解复杂场景，以便更好地解决问题

②Models：模型

各种类型的模型和模型集成，比如OpenAI、Llama、qwen等，提供统一接口，便于在不同模型之间切换。

目前支持三种类型模型：

1. LLMs (大语言模型)：

大模型的下载库：https://huggingface.co/models

接收文本字符的输入，返回的也是文本字符

1. Chat Models (聊天模型)：

基于LLMs，不同的是它接收聊天消息，返回的也是聊天消息（一种特定格式的数据，包含角色划分）

聊天消息包含下面几种类型:

AIMessage: 就是 AI 输出的消息.

HumanMessage: 用户提示词

SystemMessage: 系统提示词，指定模型所处环境和背景，如角色扮演

ChatMessage: Chat 消息可以接受任意角色的参数，但我们平时大多数使用上面三种。

1. Embeddings Models(嵌入模型)：

接收文本作为输入，返回的是文本对应的向量，将数据进行文本向量化

③Memory：记忆

用来存储对话的上下文信息，分为：

短期记忆：当前对话的上下文，实例化会话链ConversationChain，自动保存历史内容

长期记忆：比如通过ChatMessageHistory对象存储对话信息，结合向量数据库，持久化存储对话信息，便于未来检索，每个对象都有序列化和反序列化

④Indexes：索引组件

用来结构化文档，以便和模型交互，就是让LangChain具备处理文档处理的能力，包含文档加载、分割、向量化、检索。

• 文档加载器

• 文本分割器

• VectorStores

• 检索器

⑤Chains：链式调用

一系列对各种组件的调用，Chains描述了将LLM与其他组件结合起来完成一个应用程序的过程。

支持

单步任务：LLMChain，单个节点，执行完就结束

多步任务：SimpleSequentialChain，简单序列Chain，将上一步的输出作为下一步输入，依次循环，每一步都需要一个LLMChain单节点。

使得复杂任务处理更加模块化，可复用。

⑥Agents：智能体

通过Reaect框架，Agent可以根据用户输入选择合适的工具来完成任务。更加灵活。

决定模型采取哪些行动，执行并且观察流程，直到完成为止

循环【思考 (Think) → 执行 (Act) → 观察 (Observe)】

实现步骤：

实例化模型→定义工具→构建Agent对象，传入Agent类型→准备提示词→执行Agent，传入提示词

本质：

React提示词和用户输入的拼接执行

三、使用场景

• 个人助手

• 基于文档的问答系统

• 聊天机器人

• Tabular数据查询

• API交互

• 信息提取

• 文档总结